– так звучал бы вредный совет про подписи к таблицам, графикам и визуализациям.
Все полученные вами результаты нужно комментировать. Даже если вам особо нечего сказать, кроме того, что ваш метод показывает лучшие результаты на этом датасете (да, представляете, и на этом тоже!) – так и пишите. Вывалить на читателя гору чисел и оставить его так - дурной тон. Протяните ему руку и помогите выбраться из-под завалов.
Ценность вашей статьи – не только в значениях метрик, но в анализе и интерпретации результатов.
Оцените прирост или падение в качестве относительно других подходов или других версий вашего подхода. Разница – большая или маленькая, можете ли вы как-то ее охарактеризовать? В каких конкретных случаях (домен данных, размер изображения, семантические категории, размер детектируемых объектов...) эта разница наиболее заметна? Почему это может быть важно для пользователя продукта, основанного на вашей технологии?
Замедление, скажем, в два раза – критическое или нет? А почему? Так ли нужно быстродействие в тех сценариях использования, под которые разработан ваш подход? Ускорение в пять раз – критическое или нет? А может, это тот самый качественный переход, позволяющий запускать вашу модель в смартфоне?
Вы собрали данные – их много или мало? Скажете – достаточно. Достаточно для чего? Как это продемонстрировать?
Подумайте, за счет чего удалось добиться заявленных результатов, какова механика улучшений и чем за них придется платить. Быстродействием? Объемом занимаемой памяти? Или это free lunch?
Как взаимосвязаны компоненты метода, с различными вариантами которых вы экспериментируете в ablation studies? Почему некоторые комбинации хорошо работают, некоторые – из рук вон, а другие вы даже и не пробовали – ведь знаете, что они не будут работать. Это же очевидно! – Да, очевидно. Для вас. После года работы, десятков прочитанных статей и пары сотен неудачных экспериментов. У читателя этого нет.
Умный вещь скажу, пожалуйста, отнеситесь к этому серьезно. То, что вы проработали столько времени над этой задачей, погрузились в нее, набили шишки, узнали, то делать стоит, а что не стоит, каковы trade-off для задачи и метода – это ценно. Удачные исходы, которые вы описываете в статье – это маленькая верхушка айсберга. Постарайтесь показать не только вершки, но и корешки. Передать полученное вами знание, опыт, интуицию. Хоть как-нибудь. Объясняйте. Приводите все сколько-нибудь убедительные гипотезы наблюдаемых эффектов. Ссылайтесь на опыт – не нужно деталей, пишите кратко, делайте выводы.
Рефлексия – основной, обязательный компонент научного мышления. Коль скоро мы тут все делаем вид, что занимаемся наукой, вы должны выглядеть как ученые. Рефлексируйте.
Все полученные вами результаты нужно комментировать. Даже если вам особо нечего сказать, кроме того, что ваш метод показывает лучшие результаты на этом датасете (да, представляете, и на этом тоже!) – так и пишите. Вывалить на читателя гору чисел и оставить его так - дурной тон. Протяните ему руку и помогите выбраться из-под завалов.
Ценность вашей статьи – не только в значениях метрик, но в анализе и интерпретации результатов.
Оцените прирост или падение в качестве относительно других подходов или других версий вашего подхода. Разница – большая или маленькая, можете ли вы как-то ее охарактеризовать? В каких конкретных случаях (домен данных, размер изображения, семантические категории, размер детектируемых объектов...) эта разница наиболее заметна? Почему это может быть важно для пользователя продукта, основанного на вашей технологии?
Замедление, скажем, в два раза – критическое или нет? А почему? Так ли нужно быстродействие в тех сценариях использования, под которые разработан ваш подход? Ускорение в пять раз – критическое или нет? А может, это тот самый качественный переход, позволяющий запускать вашу модель в смартфоне?
Вы собрали данные – их много или мало? Скажете – достаточно. Достаточно для чего? Как это продемонстрировать?
Подумайте, за счет чего удалось добиться заявленных результатов, какова механика улучшений и чем за них придется платить. Быстродействием? Объемом занимаемой памяти? Или это free lunch?
Как взаимосвязаны компоненты метода, с различными вариантами которых вы экспериментируете в ablation studies? Почему некоторые комбинации хорошо работают, некоторые – из рук вон, а другие вы даже и не пробовали – ведь знаете, что они не будут работать. Это же очевидно! – Да, очевидно. Для вас. После года работы, десятков прочитанных статей и пары сотен неудачных экспериментов. У читателя этого нет.
Умный вещь скажу, пожалуйста, отнеситесь к этому серьезно. То, что вы проработали столько времени над этой задачей, погрузились в нее, набили шишки, узнали, то делать стоит, а что не стоит, каковы trade-off для задачи и метода – это ценно. Удачные исходы, которые вы описываете в статье – это маленькая верхушка айсберга. Постарайтесь показать не только вершки, но и корешки. Передать полученное вами знание, опыт, интуицию. Хоть как-нибудь. Объясняйте. Приводите все сколько-нибудь убедительные гипотезы наблюдаемых эффектов. Ссылайтесь на опыт – не нужно деталей, пишите кратко, делайте выводы.
Рефлексия – основной, обязательный компонент научного мышления. Коль скоро мы тут все делаем вид, что занимаемся наукой, вы должны выглядеть как ученые. Рефлексируйте.